基于BatchNorm的弱监督视频异常检测

在弱监督视频异常检测（WVAD）中，仅提供表示异常事件存在与否的视频级标签，主要挑战在于异常事件时间注释的固有模糊性。受统计学见解启发，即异常事件的时间特征通常表现出离群特性，我们提出了一种新颖的方法——BN-WVAD，该方法将批量归一化（BatchNorm）引入到WVAD中。在所提出的BN-WVAD模型中，我们利用批量归一化中的特征与均值向量的偏离度（Divergence of Feature from Mean, DFM）作为可靠的异常判断标准，以识别异常视频中的潜在异常片段。所提出的DFM标准对于异常识别也具有区分能力，并且对标签噪声更具鲁棒性，可以作为额外的异常评分来修正易受噪声标签影响的异常分类器的预测结果。此外，还设计了一种批处理级别的选择策略，用于过滤出现更多异常事件的视频中的更多异常片段。所提出的BN-WVAD模型在UCF-Crime数据集上展示了最先进的性能，AUC达到87.24%，并在XD-Violence数据集上取得了高达84.93%的AP值。我们的代码实现可访问以下链接：https://github.com/cool-xuan/BN-WVAD。